Programmierpraktikum: Quality Data ScienceModulbeschreibung #41138 / Version 2
- 6 LP
- Portfolioprüfung
- Unbenotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #41138 / #2 |
|---|---|
| Gültigkeit | Seit SoSe 2024 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Haufe, Stefan |
| Benotung | Unbenotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML) |
Kontakt
| Sekretariat | MAR 4-4 |
|---|---|
| Ansprechpartner*in | Wilming, Rick |
| E-Mail-Adresse | rick.wilming@tu-berlin.de |
| Webseite | http://tu.berlin/uniml |
Lernergebnisse
Kenntnisse: Die Studierenden sind mit den grundlegenden Konzepten praktischer Software-Engineering-Techniken und deren Anwendung in wissenschaftlichen Software-/Datenforschungsprojekten vertraut. Darüber hinaus kennen die Studierenden die verschiedenen Qualitätsdimensionen von Software/Maschinellen Lernsystemen und haben ein klares Verständnis für technische Mittel zur Sicherung ihrer Qualität und Reproduzierbarkeit.
Fertigkeiten: Das Projekt vermittelt den Studierenden praktische Fähigkeiten zur Entwicklung und Fehlersuche in Data-Science-Anwendungen durch Analyse von Daten und Code. Sie werden wissen, wie man Papiere im Zusammenhang mit maschinellem Lernen, Datenwissenschaft, biomedizinischen und anderen Anwendungen liest und kritisch diskutiert. Darüber hinaus können die Studierenden Methoden aus wissenschaftlichen Arbeiten implementieren und grundlegende Qualitätskontrollen durchführen, um die Korrektheit der Implementierungen sicherzustellen. Insbesondere werden die Studierenden Erfahrungen mit grundlegenden Software-Engineering-Techniken wie Unit-Tests, Integrationstests und Git-Versionskontrolle sowie rudimentäre Fähigkeiten zur Entwicklung hochwertiger Softwaresysteme erwerben.
Kompetenzen: Am Ende des Softwareprojekts haben die Studierenden die Fähigkeit entwickelt, Verfahren und Tests durchzuführen, um zu entscheiden, ob ihre implementierte Software wie beabsichtigt funktioniert. Die Studierenden sind in der Lage, die Literatur eines überschaubaren Fachgebiets systematisch zu strukturieren und haben Erfahrung darin, die Ergebnisse vor einem kritischen Publikum zu präsentieren und an wissenschaftlichen Diskussionen teilzunehmen. Insgesamt vermittelt das Softwareprojekt den Studierenden ein umfassendes Set an Fähigkeiten, die für die Entwicklung qualitativ hochwertiger wissenschaftlicher Software und die Untersuchung einer kleinen und überschaubaren Forschungsfrage notwendig sind.
Fertigkeiten: Das Projekt vermittelt den Studierenden praktische Fähigkeiten zur Entwicklung und Fehlersuche in Data-Science-Anwendungen durch Analyse von Daten und Code. Sie werden wissen, wie man Papiere im Zusammenhang mit maschinellem Lernen, Datenwissenschaft, biomedizinischen und anderen Anwendungen liest und kritisch diskutiert. Darüber hinaus können die Studierenden Methoden aus wissenschaftlichen Arbeiten implementieren und grundlegende Qualitätskontrollen durchführen, um die Korrektheit der Implementierungen sicherzustellen. Insbesondere werden die Studierenden Erfahrungen mit grundlegenden Software-Engineering-Techniken wie Unit-Tests, Integrationstests und Git-Versionskontrolle sowie rudimentäre Fähigkeiten zur Entwicklung hochwertiger Softwaresysteme erwerben.
Kompetenzen: Am Ende des Softwareprojekts haben die Studierenden die Fähigkeit entwickelt, Verfahren und Tests durchzuführen, um zu entscheiden, ob ihre implementierte Software wie beabsichtigt funktioniert. Die Studierenden sind in der Lage, die Literatur eines überschaubaren Fachgebiets systematisch zu strukturieren und haben Erfahrung darin, die Ergebnisse vor einem kritischen Publikum zu präsentieren und an wissenschaftlichen Diskussionen teilzunehmen. Insgesamt vermittelt das Softwareprojekt den Studierenden ein umfassendes Set an Fähigkeiten, die für die Entwicklung qualitativ hochwertiger wissenschaftlicher Software und die Untersuchung einer kleinen und überschaubaren Forschungsfrage notwendig sind.
Lehrinhalte
Die Studierenden führen ein Softwareentwicklungsprojekt durch, das ein typisches wissenschaftliches Datenwissenschaft/Softwareprojekt nachbildet. Das Projekt umfasst verschiedene Aspekte wie mathematische/algorithmische Probleme (insbesondere Data Science, maschinelles Lernen und erklärbare KI), Softwaredesign und technische Aspekte wie Datenverarbeitung, Datenanalyse, Datenbanken und Softwarearchitekturen. Je nach Gruppengröße werden wir die gewünschten Eigenschaften und das Verhalten der zu entwickelnden Software festlegen. Die Studierenden verwenden die von ihnen implementierten Methoden, um ein klar definiertes Forschungsproblem zu untersuchen. Das Projekt umfasst, ist aber nicht beschränkt auf ausgewählte Themen, die für Anwendungen in der Biomedizin relevant sind, z.B. in den Neurowissenschaften oder der Intensivmedizin.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Uncertainty in Machine Learning (UNIML) | Programmierpraktikum | Winter- und Sommersemester | [de] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Uncertainty in Machine Learning (UNIML) (Programmierpraktikum)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 5 | 6 h | 30 h |
| Project work | 15 | 6 h | 90 h |
| Preparation for presentations and consultations | 15 | 4 h | 60 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Die Studierenden organisieren sich selbst und teilen sich die Projektarbeit in Bezug auf die Durchführung und Präsentation ihrer Ergebnisse auf. Während des gesamten Semesters werden wir Hilfestellung leisten und wöchentliche Besprechungen abhalten, um etwaige Probleme anzusprechen und Fortschritte zu besprechen. Die Studierenden bereiten eine Einführungspräsentation zu einem bestimmten Thema vor, die auf einer Sammlung von bereitgestelltem veröffentlichtem Material basiert. Die Präsentationen werden in Form von wissenschaftlichen Diskussionen gehalten. Der selbstorganisierte Rahmen wird Diskussionen über Probleme und Fortschritte fördern. In der Abschlusspräsentation fassen die Studierenden ihre Ergebnisse und Beiträge zu ihrer Forschungsfrage zusammen.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Der erfolgreiche Abschluss eines einführenden Moduls zum Thema data science oder maschinelles Lernen wird empfohlen. Programmierkenntnisse in mindestens einer Sprache (z. B. Matlab, Python, R) sind erforderlich.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Unbenotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Projekttagebuch | 40 | schriftlich | 15-20 Seiten |
| dokumentiertes github repository | 30 | praktisch | projektspezifisch |
| Vorführung | 30 | schriftlich | projektspezifisch |
Prüfungsbeschreibung (Abschluss des Moduls)
1. Die Qualität eines Projekttagebuchs (40%)
2. Die Qualität und Vollständigkeit eines dokumentierten github repositories für im Rahmen des Projekts generierten Code und Daten (30%)
3. Die Qualität einer Vorführung der fertigen Software (30%)
2. Die Qualität und Vollständigkeit eines dokumentierten github repositories für im Rahmen des Projekts generierten Code und Daten (30%)
3. Die Qualität einer Vorführung der fertigen Software (30%)
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 6.
Anmeldeformalitäten
Studierende können sich für den Kurs in MOSES anmelden.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Informatik StuPO 2015 | SoSe 2025 | Wahlpflichtbereich Programmierpraktikum |
| WiSe 2025/26 | Wahlpflichtbereich Programmierpraktikum | |
| SoSe 2026 | Wahlpflichtbereich Programmierpraktikum | |
| WiSe 2026/27 | Wahlpflichtbereich › Programmierpraktikum | |
| Informatik StuPO 2025 | WiSe 2026/27 | Wahlpflichtbereich › Programmierpraktikum |
| Wirtschaftsinformatik StuPO 2015 | SoSe 2025 | Wahlpflichtbereich › Programmierpraktikum |
| WiSe 2025/26 | Wahlpflichtbereich › Programmierpraktikum | |
| SoSe 2026 | Wahlpflichtbereich › Programmierpraktikum | |
| WiSe 2026/27 | Wahlpflichtbereich › Programmierpraktikum | |
| Wirtschaftsinformatik StuPO 2021 | SoSe 2025 | Wahlpflichtbereich › Programmierpraktikum |
| WiSe 2025/26 | Wahlpflichtbereich › Programmierpraktikum | |
| SoSe 2026 | Wahlpflichtbereich › Programmierpraktikum | |
| WiSe 2026/27 | Wahlpflichtbereich › Programmierpraktikum | |
| Wirtschaftsinformatik StuPO 2025 | WiSe 2026/27 | Wahlpflichtbereich › Programmierpraktikum |
Sonstiges
Studiengänge:
B.Sc. Informatik (StuPO 2015): Wahlpflichtbereich Programmierpraktikum
B.Sc. Wirtschaftsinformatik (StuPO 2015 + 2021): Wahlpflichtbereich Programmierpraktikum
B.Sc. Informatik (StuPO 2015): Wahlpflichtbereich Programmierpraktikum
B.Sc. Wirtschaftsinformatik (StuPO 2015 + 2021): Wahlpflichtbereich Programmierpraktikum